长上下文检索的注意力稀释问题
burkov · x · 2026-07-16
这篇来自 UC Berkeley 和 UT Austin 的论文在接近 100 万 token 的语料规模上测试：大模型能否不借助独立向量检索模型，直接从海量输入里可靠找到唯一相关文档。
作者先构建了一个 6 亿参数 的模型 BlockSearch，并把性能下降归因为 attention dilution：相关文档虽然能拿到较高原始分数，但在转换为注意力权重时，大量无关文档的分数会累积，把有效信号稀释掉。
他们尝试了两种针对性修正：
- 根据语料规模调整这种转换方式
- 让后层只查看一个候选短名单
结果在标准 benchmark 上，性能接近强向量检索基线；而在一个更依赖精确措辞而非语义相似度的任务上，最佳版本甚至比向量基线强数倍，不过随着语料继续增大，性能仍会下降。
「研究」频道最新
- 实验猴荒：中国 3-5 万美元一只，繁育周期 4 年成药物临床前瓶颈 — zebird0 · 2026-10-27
- OpenAI 基金会资助 UNC 肿瘤抗原研究，招聘资深实验科学家 — iskander · 2026-10-27
- 研究者定向干预注意力头：向上提升诚实，向下压制道德虚无 — edelwax · 2026-10-27
- 研究表明神经元足以做电路分析，transcoder 增益有限 — burny_tech · 2026-10-27
- EMNLP 论文 GENIE:细粒度度量 LLM 故事的「新意」究竟在哪 — gregd_nlp · 2026-10-27
- hash n-gram 值嵌入助力 12×1024 GPT 刷新 30M 纪录至 3.2115 — RobertTLange · 2026-10-27